多模型自适应控制在机器人手臂控制当中应用

本文以斯坦福机械手臂为研究对象,对被控对象建立离散时间模型,并建立自适应控 制器．考虑斯坦福机械手自适应控制当中,参数突变经常会破坏总体系统的稳定性的问题, 针对被控对象模型建立多个模型,覆盖被控对象的参数不确定性,构成多模型自适应控制器 ,同时引入“局部化”技术,可保证在不失去多模型自适应控制精度的同时,减少计算时间 ．     

多模型自适应控制

给出多模型自适应控制产生的背景,对模型集的建立、多模型控制器的形成以及算法的收敛性和稳定性进行了分析,介绍了多模型自适应控制在工业生产过程中的应用和最新研究成果,同时提出了存在的问题及进上步发展方向。     

基于遗传算法的多模型自适应控制

利用多个固定模型（或元素模型）来逼近含未知参数的被控系统,基于每一个元素模型建立最优控制器,并由各局部模型控制器的加权和构成被控系统的控制器。对于这种多模型自适应控制器,在每一个采样时刻,每一个元素模型的权值将由遗传算法计算得出。仿真结果表明,采用该文提出的控制器,当被控对象的模型参数剧烈变化时系统输出依然可以很好地跟踪设定值。     

基于极点配置的多模型自适应控制

基于极点配置技术对单输入单输出离散时间被控对象提出多模型自适应控制算法，在保证稳定性的前提下，算法对被控对象参数跳变时能进行有效的控制，并提高了系统的瞬态响应。     

基于动态优化模型集的多模型自适应控制

针对多模型自适应控制的传统算法中固定模型集无法准确覆盖对象的不确定域的问题,提出了一种新型的能够在线动态优化模型集的方法。该方法能够在线自动添加、删除以及修改模型集中的模型,有效地控制模型数量以及优化模型集,使模型集对不确定域进行精确覆盖,并且在系统运行的稳定阶段可以停止优化模型集的动作,从而大幅减少计算量。该方法在优化控制性能的同时不会过分增加系统运算负担,仿真实验表明了此算法的优越性。     

基于在线优化的切换多模型自适应控制

介绍了切换多模型控制方法，针对多模型方法中子模型数量过多的问题，提出一种基于模型集在线优化方案的多模型自适应控制算法，并对其实时性进行讨论，该方法能减少子模型数量，降低计算复杂度，缩短系统的采样间隔，计算机仿真结果表明，该方法在控制精度，计算复杂度等方面均优于采用固定模型集的切换方案。     

基于有界扰动分区的多模型自适应控制

对于含有界扰动的离散时间系统,将有界扰动变化范围分割成若干小区间,针对这些区间建立多个自适应模型,并针对每一个自适应模型建立相应的控制器.给定一个指标切换函数,基于多个自适应模型控制器和给定的指标切换函数构成多模型自适应控制器.可以证明多模型自适应控制器能够保证闭环系统是输入输出有界稳定的.仿真实例表明,当被控对象的有界扰动随时间变化的时候,采用单一模型自适应控制,系统输出很难跟踪设定值,而多模型自适应控制器却极大地改善了控制品质.     

基于切换机制的多模型自适应混合控制

针对多模型自适应混合控制的性能依赖系统参数估计误差大小的缺点,本文提出了基于切换机制的多模型自适应混合控制.首先对被控系统进行辨识,然后根据参数估计值进行判断.当参数估计值不在最优参数集内时,实行切换策略,重置参数估计值到最优参数集内,用以减小暂态误差,提高暂态性能;当参数估计值在最优参数集内时,实行混合控制,用以平滑过渡过程.文中给出了系统的稳定性和收敛性的证明,最后的仿真实验结果验证了所提出方法的可行性.     

基于不同加权因子的随机多模型自适应控制

针对一类噪声方差未知的随机系统,基于不同加权因子设计多个参数辨识器辨识模型参数,在此基础上,构成多模型自适应控制器.在每个采样时刻基于指标切换函数选择最佳辨识模型.并将基于此最佳模型设计的控制器切换为当前控制器.同时,证明了多个模型控制器之间相互切换时整个闭环系统是全局收敛的.仿真结果表明,同单一自适应模型控制器相比,这种基于多个不同加权因子的多模型自适应控制器在模型参数发生跳变时可很好地改善被控对象的控制品质.     

基于切换和混合策略的多模型自适应控制

混合与切换是多模型控制器的两种主要设计方法,混合控制不能及时响应参数突变,切换控制的暂态响应不理想。因此提出了一种新的多模型自适应控制结构。首先利用各模型子集的中心点值代替未知参数值得到最小误差,并与当前参数估计值得到的误差进行比较,判断参数是否发生跳变。若参数没有发生跳变,采用混合控制;若参数发生跳变,则把参数估计值重构为子集的中心点值,控制器就切换到对应的子控制器,及时响应参数变化。最后的仿真结果表明,在参数发生跳变时,该方法的控制效果较混合控制有明显的改善。     

基于近似模型的多层模糊CMAC自适应非线性控制

针对非线性离散时间系统的控制问题,提出了一种基于近似模型的多层模糊CMAC自适应控制方法.采用多层模糊CMAC对非线性函数进行逼近,并提出了一种新的神经网络学习算法来保证权值的有界性.由于无需满足PE条件,所以文中提出的方法对于离散时间系统的神经网络控制问题具有实际价值.     

一类专家模型参考自适应控制

本文将专家系统技术和模型参考自适应控制相结合，提出了一种新的基于专家系统模型参考自适应控制，该系统集智能控制思想与专家技术于一身，从而得到很强的控制律，为验证其有效性，以两关节机器人为对象进行仿真，在有负载扰动情况下，该系统能使机器人跟踪上希望轨迹，其系统响应和鲁棒性优于常规的控制算法。     

基于神经网络的非线性系统稳定自适应控制

本文针对一类具有未知非线性函数和未知虚拟系数非线性函数的二阶非线性系统 ,提出了一种基于神经网络的稳定自适应输出跟踪控制方法 .用李雅普诺夫稳定性分析方法证明了本文的神经网络自适应控制器能够使受控系统稳定 ,并使输出跟踪误差随时间趋于无穷而收敛到零 .仿真算例证明了该算法的有效性     

基于动态神经网的鲁棒直接自适应控制

基于动态神经网络，研究了一类具有未建模动态的未知多变量非线性系统的鲁棒直接自适应控制．基于Ｌｙａｐｕｎｏｖ理论得出一种鲁棒稳定的权学习算法，该算法不需要知道理想权矩阵的先验知识，并保证设计的控制器的稳定性．仿真结果表明提出的鲁棒控制算法的有效性     

受限柔性机器人基于遗传算法的自适应模糊控制

研究一类平面双连杆受限柔性机器人的混合位置/力控制问题,提出一种自适应模糊逻辑控制方案,利用遗传学习算法对控制器中的参数进行学习和修正,达到提高系统控制精度、改善系统鲁棒性的目的.计算机仿真结果表明这种控制器设计方案具有很好的特性.     

循环流化床锅炉汽温自适应解耦控制系统

针对循环流化床锅炉汽温被控对象的高阶特性,参照smith预估滞后系统的设计方法,提出一种与内模原理相结合的模型参考自适应解耦控制系统.由此所设计的控制系统有效地消除了被控对象高阶特性对系统带来的不良影响,同时消除了给水流量变化引起汽温变化的耦合关系.该系统简单、实用,具有工程应用价值,现场运行收到较好的控制效果.     

基于一种修改的李亚普诺夫函数的自适应模糊滑模控制

针对一类不确定非线性系统,基于一种修改的李亚普诺夫函数并利用Ⅱ型模糊系统的逼近能力,提出了一种稳定自适应模糊控制器设计的新方案.该方案能够避免现有的一些自适应模糊/神经网络控制器设计中对控制增益一阶导数上界的要求.通过理论分析,证明了闭环模糊控制系统是全局稳定的,跟踪误差收敛到零.     

一种基于理性原则的多机器人协调控制

自组织多机器人系统具有一定的柔性,且鲁棒性强,但系统建模复杂,优化协调控制困难.以多机器人系统的自组织自约束决策模型为基础,提出了一种多机器人系统的理性协调控制方法,并分析了这种方法与最优控制方法的关系.     

非线性系统的鲁棒自适应模糊控制

针对反馈线性化后的不确定非线性对象,提出了一种鲁棒自适应控制方法.采用模糊模型逼近不确定项,用逐步后推技术构造出自适应律,在线调节模糊模型的参数,同时处理存在估计误差时的干扰抑制问题.该方法还用于感应电动机速度控制的仿真.用李亚普诺夫方法证明了整个系统的稳定性和鲁棒性.该方法适用于任意有界时变干扰,通过模糊模型还可以加入对干扰的经验知识.